Sistem Pakar Diagnosa Penyakit Kulit Berbasis
Website Menggunakan Metode Naive Bayes
(Web Based Expert System For Diagnostic Skin Disease Using Naive Bayes Method)
Kurnia Ramadhan, I Gede Pasek Suta Wijaya, Moh. Ali Albar
Dept Informatics Engineering, Mataram University Jl. Majapahit 62, Mataram, Lombok NTB, INDONESIA
Email: l.kurniaramadhan@gmail.com, gpsutawijaya@unram.ac.id, mohalialbar@unram.ac.id
Abstract- The skin is an important organ in the human body which functions to maintain human health as a whole, such as physical protection, immunological protection, excretion, sensing, body temperature regulators, forming vitamin D and cosmetics. Affected skin can make a person anxious and even the most severe can cause death. The purpose of this study is for people to diagnose skin diseases early using a website-based sistem. Calculation of naive bayes based on data of cases that have occurred and data entered by sistem users. Sistem testing results indicate that the sistem can diagnose the disease with an accuracy of 80% in the diagnosis process with a total of 10 diseases and 25 symptoms.
Key words: Skin, Naive Bayes, Expert Sistem, Website.
I.PENDAHULUAN
Kulit merupakan organ yang istimewa pada manusia. Berbeda dengan organ lain, kulit yang terletak pada sisi terluar manusia ini memudahkan pengamatan, baik dalam kondisi normal maupun sakit. Manusia secara sadar terus menerus mengamati organ ini, baik yang dimiliki orang lain maupun diri sendiri. Dalam kondisi sehat, kulit menunjang rasa percaya diri seseorang dan apabila dalam kondisi sakit kulit mungkin menjadi sumber keresahan. Kulit menjalankan berbagai tugas dalam memelihara kesehatan manusia secara utuh seperti perlindungan fisik (terhadap gaya mekanik, sinar ultraviolet, bahan kimia), perlindungan imunologik, ekskresi, pengindera, pengatur suhu tubuh, pembentuk vitamin D, dan kosmetik [1].
Meskipun kulit merupakan organ yang istimewa dan memiliki banyak fungsi yang penting bagi manusia tetapi masyarakat awam masih mengalami kesulitan dalam merawat kulit dikarenakan masih kurangnya pemahaman masyarakat awam mengenai penyakit kulit yang biasanya hanya diketahui oleh dokter spesialis kulit. Adapun penyakit kulit seperti nekrolisis epidermal toksik yang apabila tidak dilakukan penangganan dini dapat menyebabkan kematian sehingga perlu dilakukan diagnosa penyakit kulit secara dini, maka diperlukan suatu aplikasi yang dapat membantu melakukan diagnosa penyakit kulit secara dini sebelum berkonsultasi lebih lanjut dengan dokter spesialis kulit. Alat bantu tersebut dapat berupa aplikasi sistem pakar.
Sistem pakar merupakan suatu program aplikasi komputerisasi yang berusaha menirukan proses penalaran dari seorang ahlinya dalam memecahkan masalah spesifikasi atau bisa dikatakan merupakan duplikat dari
seorang pakar karena pengetahuannya disimpan di dalam basis pengetahuan untuk di proses agar mendapatkan suatu pemecahan masalah [2]. Dalam bidang kesehatan sistem pakar memiliki berbagai metode – metode dalam
melakukan diagnosa, salah satu diantaranya adalah naive
Bayes. naive Bayes merupakan sebuah pengklasifikasian probabilitas sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan [3].
Sistem pakar diagnosa penyakit kulit berbasis website
menggunakan metode naive Bayes ini diharapkan dapat
membantu masyarakat dalam melakukan diagnosa penyakit kulit secara dini, mendapatkan informasi mengenai penyakit kulit dan mendapatkan solusi sementara sebelum masyarakat berkonsultasi lebih lanjut dengan dokter spesialis kulit.
II.TINJAUAN PUSTAKA
Terdapat banyak penelitian sistem pakar yang telah dilakukan menggunakan metode naive bayes. Pada penelitian pertama yang menjadi sumber rujukan dilakukan penelitian menggunakan metode naive bayes. Data yang digunakan pada penelitian ini terdiri dari 11 jenis nilai, 4 jurusan, 514 data training dan 111 data uji. Penelitian ini memiliki hasil berupa nilai akurasi dengan rata-rata sebesar 77,47%. Kesimpulan dari penelitian ini menjelaskan bahwa sistem yang dibuat berhasil menentukan jurusan siswa yang tepat sesuai dengan kemampuannya. Namun pada penelitian ini dapat dilakukan pengembangan seperti melakukan penambah atau pengurangan kriteria untuk memperbaiki akurasi dan melakukan kombinasi dengan metode yang lain untuk meningkatkan akurasi [4].
mendeteksi status perkembangan anak. Namun pada penelitian ini dapat dilakukan pengembangan seperti dapat diimplementasikan ke dalam perangkat online seperti website dan perangkat mobile berbasis android [5].
Pada penelitian ketiga yang menjadi sumber rujukan dilakukan penelitian dengan menggunakan metode naïve bayes classifier. Data yang digunakan pada penelitian ini terdiri dari 16 gejala penyakit gagal jantung dan 4 penyakit gagal jantung, 134 data training dan 66 data uji. Penelitian ini memiliki hasil berupa nilai akurasi dengan rata-rata sebesar 83%. Kesimpulan dari penelitian ini menjelaskan bahwa semakin banyak data training maka semakin akurat hasilnya dari tiga kali uji coba. Namun pada penelitian ini dapat dilakukan pengembangan seperti menambah jumlah data training, data penyakit dan mengimplementasikan ke website atau ke perangkat mobile [6].
Pada penelitian keempat yang menjadi sumber rujukan dilakukan penelitian dengan menggunakan naive bayes. Data yang digunakan pada penelitian ini terdiri dari 11 penyakit sapi potong, 20 gejala sapi potong, 325 data training dan 26 data uji. Penelitian ini memiliki hasil berupa nilai akurasi sebesar 93.01%. Kesimpulan dari penelitian ini menjelaskan bahwa sistem yang dibuat mampu berjalan dengan baik dan sesuai kebutuhan fungsional. Berdasarkan 5 skenario pengujian dapat ditarik kesimpulan bahwa semakin banyak data training belum tentu dapat menjamin sistem pakar yang dihasilkan akan semakin baik. Namun pada penelitian ini dapat dilakukan pengembangan seperti melakukan pembobotan gejala klinis penyakit, mengkombinasikan metode naive bayes dengan metode lain dan menambahkan jenis penyakit dan gejala klinis [7].
Adapun beberapa penelitian yang menjadi sumber rujukan menggunakan metode seperti metode similarity, metode ishihara dan metode certainty factor. Pada penelitian kelima yang menjadi sumber rujukan dilakukan dengan menggunakan metode similarity. Penelitian ini memiliki hasil berupa nilai akurasi sebesar 95.5%, precision sebesar 95.5%, recall sebesar 8.3% dan kuesioner sebesar 62.68%. Kesimpulan dari penelitian ini menjelaskan bahwa sistem dapat digunakan pengguna untuk mencari informasi mengenai penyakit hewan ternak ruminansia besar berupa deskripsi penyakit, pengobatan penyakit, pencegahan penyakit dan pengendalian penyakit. Namun pada penelitian ini dapat dilakukan pengembangan seperti menambahkan fungsi-fungsi seperti upload foto hewan yang dapat membangun sistem agar lebih baik, mengkombinasikan dengan metode yang lain seperti K-Nearest Neighbor dan sistem dapat diimplementasikan ke perangkat mobile seperti android dan ios [8].
Pada penelitian keenam yang menjadi sumber rujukan menggunakan metode ishihara. Data yang digunakan pada penelitian ini terdiri dari 40 plat dan 6 hasil diagnose. Penelitian ini memiliki hasil uji akurasi keberhasilan pada batas waktu 5 detik sebesar 80% dan 15 detik sebesar 100%. Kesimpulan dari penelitian ini menjelaskan bahwa plat perubahan dengan bangun ruang dapat mendeteksi
subjek yang diduga menderita buta warna yang tidak dapat dideteksi oleh plat ishihara. Namun pada penelitian ini dapat dilakukan pengembangan seperti memperbaiki plat yang gagal atau mengganti dengan plat baru yang lebih sesuai dengan plat ishihara dan mengikutsertakan masyarakat penderita buta warna dalam mengubah plat serta menambahkan pengujian kepada subjek penderita buta warna total [9].
Pada penelitian ketujuh yang menjadi sumber rujukan dilakukan penelitian dengan menggunakan metode certainty factor. Data yang digunakan pada penelitian ini terdiri dari 15 penyakit mata dan 52 gejala penyakit mata. Penelitian ini memiliki hasil berupa nilai akurasi sebesar 75%. Kesimpulan dari penelitian ini menjelaskan bahwa sistem yang dibuat dapat berjalan dengan baik. Namun pada penelitian ini dapat dilakukan pengembangan seperti mengkombinasikan metode certainty factor dengan metode lainnya dan mendapatkan nilai faktor kepastian setiap gejala penyakit terhadap kemungkinan terjadinya penyakit mata dari sekumpulan dokter ahli mata [10].
Dari ketujuh penelitian di atas dapat ditarik beberapa
kesimpulan antara lain yaitu bahwa metode naive Bayes
cukup powerfull dalam melakukan klasifikasi karena pada ketiga penelitian di atas menghasilkan nilai rata-rata akurasi lebih dari 77% dan terdapat beberapa metode lain yang dapat digunakan untuk membuat sistem pakar.
III.METODE USULAN
Desain alur kerja diagnosa pada sistem pakar diagnosa penyakit berbasis website dapat dilihat pada Gambar 1 yang menggambarkan proses hubungan antara elemen-elemen utama dari sistem pakar yang akan dibuat.
Gambar 1 Blok diagram sistem pakar penyakit kulit.
A. Kulit
Kulit merupakan pembungkus yang elastis, terletak pada bagian paling luar yang melindungi tubuh dari pengaruh lingkungan hidup manusia dan merupakan alat tubuh yang terberat dan terluas ukurannya, yaitu kira - kira
15% dari berat tubuh dan luas kulit orang dewasa 1,5 m2.
Kulit sangat kompleks, elastis dan sensitif, serta sangat bervariasi pada keadaan iklim, umur, seks, ras, dan bergantung pada lokasi tubuh serta memiliki variasi mengenai lembut, tipis, dan tebalnya. Rata-rata tebal kulit 1-2 mm. Paling tebal (6 mm) terdapat di telapak tangan dan kaki dan paling tipis (0,5 mm) terdapat di penis. Kulit merupakan organ yang vital dan esensial serta merupakan cermin kesehatan dan kehidupan [11].
B. Naive Bayes
Teori naive Bayes merupakan pengklasifikasian probabilitas sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Perhitungan
naive bayes dapat dipresentasikan sebagai berikut [12]:
𝑃(𝑌|𝐾) = ( ) ∏ ( )( | ) (1) semua fitur dalam vektor X
𝑃(𝑋) = Probabilitas awal kelas X
Gambar 2 Diagram proses komputasi metode naïve Bayes.
Gambar 2 merupakan langkah – langkah komputasi
dalam perhitungan naive Bayes [13].Pada Gambar 3
merupakan alur proses perhitungan nilai naive Bayes.
START P(X) = Probabilitas penyakit X JX = Jumlah data penyakit X JP = Jumlah data keseluruhan penyakit G = Nama gejala
i = urutan ke 1,2,3,dan seterusnya... Gi = Nama gejala yang dipilih pengguna
misalkan G1 = kulit merah, G2 = Kulit kasar,dan seterusnya...
J(Gi|X) = Jumlah gejala Gi pada penyakit X P(Gi|X) = Probabilitas gejala Gi pada penyakit X P(X|G) = Probabilitas penyakit X terhadap gejala
Gambar 3 Alur proses perhitungan nilai naive Bayes.
Berikut merupakan contoh dari perhitungan naive Bayes , pengguna aplikasi memilih gejala-gejala yang diderita berupa “kulit bersisik (G8)”, “kulit gatal (G5)”, dan “kulit
merah (G7)”. Naive Bayes menentukan berdasarkan kasus
– kasus yang telah terjadi dengan mencari kemungkinan suatu penyakit akan muncul dengan contoh perhitungan sebagai berikut :
a) Tinea Pedis
Diketahui :
1. Jumlah data pada tabel kasus (jd) = 1259
2. Jumlah data dengan penyakit Tinea Pedis (tp) =
20
3. Jumlah data dengan penyakit Tinea pedis dan
gejala kulit bersisik (kb) = 0
4. Jumlah data dengan penyakit Tinea Pedis dan
gejala kulit gatal (kg) = 20
5. Jumlah data dengan penyakit Tinea Pedis dan
gejala kulit merah (kmer) = 0
Untuk mendapatkan nilai persentasi dari semua penyakit maka nilai pembagi menjadi jumlah data pada tabel kasus dan perhitungan sebagai berikut : FTinea Pedis(E) = (tp / jd) x (kb / tp) x (kg / tp) x
Dari perhitungan diatas dapat dihasilkan nilai tertinggi
adalah 0.0913 yang merupakan penyakit Dermatitis
Atopik.
C. Basis Pengetahuan
artikel, atau jurnal. Basis pengetahuan tersusun atas fakta yang berupa informasi tentang objek, peristiwa, atau situasi, dan kaidah berupa informasi tentang cara untuk membangkitkan suatu fakta baru dari fakta yang telah ada. Jenis-jenis penyakit dan gejala-gejala dari penyakit kulit disajikan pada Tabel II & III. Pada Tabel IV terdapat hubungan antara penyakit dengan gejala yang berarti bahwa penyakit Acne Vulgaris dengan id penyakit P1 dapat memiliki gejala berupa G1, G2, G3, G4, G5 dan G6 yang dapat dilihat penjelasan gejalanya pada Tabel II, dan seterusnya.
TABEL II. DAFTAR PENYAKIT
Id Penyakit Nama Penyakit
P1 Acne Vulgaris P2 Dermatitis Atopik P3 Dermatitis Kontak Alergi P4 Dermatitis Seboroik P5 Liken Simplek Kronik P6 Psoriasis Vulgaris P7 Pytiriasis Versikolor P8 Scabies
P9 Tinea pedis P10 Tinea korporis
TABEL III. DAFTAR GEJALA
Id Gejala Nama Gejala
G1 Kulit komedo G2 Kulit benjolan kecil G3 Kulit benjolan kecil bernanah G4 Kulit bintik – bintik merah G5 Kulit gatal
G6 Kulit sakit atau nyeri G7 Kulit merah G8 Kulit bersisik G9 Kulit terasa terbakar G10 Kulit kering G11 Kulit alergi G12 Kulit menebal G13 Hiperpigmentasi G14 Kulit berminyak G15 Kulit terkelupas
G16 Kulit berwarna putih kekuningan G17 Kulit bersisik putih keperakan G18 Kulit luka
G19 Kulit terdapat semacam terowongan berwarna putih abu-abu G20 Kulit terdapat tungau
G21 Kulit bercak lingkaran merah G22 Kuku tampak pucat G23 Kulit melepuh G24 Hipopigmentasi G25 Kulit pecah - pecah
TABEL IV. AKUISISI HUBUNGAN GEJALA DAN PENYAKIT KULIT
Id Penyakit Nama Penyakit Nomor Gejala
P1 Acne Vulgaris G1, G2, G3, G4, G5, G6
P2 Dermatitis Atopik G5, G7, G8, G10, G12, G23 P3 Kontak Alergi Dermatitis G5, G7, G8, G9, G10, G11, G12, G23 P4 Dermatitis Seboroik G5, G8, G9, G12, G14, G15, G16 P5 Liken Simplek Kronik G5, G6, G7, G8, G12, G13 P6 Psoriasis Vulgaris G5, G6, G7, G9, G10, G17 P7 Versikolor Pytiriasis G5, G8, G13, G24 P8 Scabies G4, G5, G18, G19, G20 P9 Tinea pedis G4, G5, G15, G18, G22, G25 P10 Tinea korporis G5, G7, G8, G21
D. Memori kerja
Memori kerja berisikan kasus-kasus yang telah terjadi sebelumnya dan fakta-fakta yang diperoleh saat proses konsultasi dengan dokter spesialis.
E. Mesin Inferensi
Forward chaining merupakan metode inferensi yang melakukan penalaran dari suatu masalah kepada solusinya. Proses diulang sampai ditemukan suatu hasil. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan menyatakan konklusi.
Gambar 2 Penalaran maju (Forward Chaining).
F. Antar Muka Pengguna
Antar Muka Pengguna, sistem pakar menggantikan seorang pakar dalam situasi tertentu, maka sistem harus menyediakan pendukung yang diperlukan oleh pemakai yang tidak memahami masalah teknis. Sistem pakar juga menyediakan komunikasi antar sistem dan pemakaianya
(user) yang disebut sebagai antar muka. Antar muka yang
efektif dan ramah penggunaan (user-friendly) penting
sekali terutama bagi pemakai yang tidak ahli dalam bidang yang diterapkan pada sistem pakar.
IV.IMPLEMENTASI SISTEM
Pada sistem pakar diagnosa penyakit kulit, user harus melakukan login untuk masuk ke dalam sistem. Pada
Gambar 4 merupakan Tampilan halaman login aplikasi
Gambar 4 Halaman login
Kemudian jika validasi berhasil, user akan langsung
diarahkan ke halaman beranda. Pada halaman beranda terdapat latar belakang sistem ini seperti pada Gambar 5.
Gambar 5 Halaman beranda
Kemudian menekan tombol diagnosa pada bagian atas sistem akan menampilkan halaman diagnosa seperti pada Gambar 6.
Gambar 6 Halaman diagnosa
Setelah memilih jawaban dari pertanyaan-pertanyaan tersebut akan otomatis menampilkan hasil diagnosa beserta keterangan dan solusi penyakit seperti pada Gambar 7.
Gambar 7 Hasil diagnosa
V.HASIL PENGUJIAN DAN DISKUSI
Setelah melakukan pengimplementasian sistem maka selanjutnya yang dilakukan adalah pengujian sistem.
Berikut merupakan hasil beberapa pengujian dari sistem
pakar diagnosa penyakit kulit menggunakan metode naive
bayes berbasis website.
Pada pengujian teoritis dilakukan dengan cara membandingkan antara perhitungan manual dengan perhitungan sistem. Perhitungan manual dan sistem sudah berjalan dengan baik. Hal ini dibuktikan dari 10 kasus yang diujikan, diperoleh 100% tingkat kesesuaian antara perhitungan manual dan sistem seperti yang terlihat pada Tabel V.
TABEL V. HASIL DATA UJICOBA TEORITIS.
No. penyakit Kasus / Manual Sistem Hasil
1. vulgaris Acne 0 0 Tepat 2. Dermatitis atopik 0.0913 0.0913 Tepat 3 kontak alergi Dermatitis 0.0516 0.0516 Tepat 4. Dermatitis seboroik 0 0 Tepat 5. simplek Liken
kronik 0.014 0.014 Tepat 6. Psoriasis vulgaris 0 0 Tepat 7. versikolor Pytiriasis 0 0 Tepat 8. Scabies 0 0 Tepat 9. korporis Tinea 0.0318 0.0318 Tepat 10. Tine pedis 0 0 Tepat
Pada pengujian dengan pakar terdapat 10 data random
yang akan dan diuji tiga kali percobaan. Pada percobaan ini setiap data uji dilakukan penginputan seluruh data dengan
urutan yang random atau berbeda sebanyak tiga kali. Pada
Tabel VI merupakan tabel yang berisi rekapitulasi dari hasil
diagnosa data random yang diujikan pada sistem yang
dibandingkan dengan hasil diagnosa yang didapatkan dari wawancara pakar yaitu Dr. Ancella Soenardi SpKK di tempat praktek dokter spesialis kulit Ancella untuk menunjukkan ketepatan sistem.
TABEL VI. HASIL DATA UJICOBA DENGAN PAKAR.
Data
Uji Diagnosa Dokter Diagnosa Sistem Hasil
9 Scabies Tinea pedis Tidak tepat 10 Psoriasis Vulgaris Dermatitis atopik Tidak tepat
Dari Tabel VI dapat diketahui nilai akurasi sistem pakar untuk mendiagnosis penyakit kulit adalah sebesar 80%
yang menunjukan hasil uji random sudah tepat dengan hasil
uji dari pakar sehingga dapat disimpulkan bahwa sistem ini dapat digunakan sebagai diagnosa penyakit kulit secara dini. Pada Tabel VI juga terdapat dua data yang tidak tepat yaitu data ke 9 dan 10 yang dapat disebabkan oleh beberapa hal seperti kurang lengkapnya data gejala atau penyakit dan
probabilitas dari kasus-kasus yang ada.
Pengujian selanjutnya adalah pengujian kuesioner yang dilakukan dengan menyebar kuesioner pada 30 responden yang dipilih secara acak untuk mengukur kualitas sistem dari sisi pengguna. Representasi grafik dari keseluruhan hasil pengujian kuesioner dapat dilihat pada Gambar 10. Berdasarkan hasil pengujian kuesioner yang dilakukan untuk semua pertanyaan nomor 1, sebesar 96.6% responden mendukung bahwa tampilan dan desain sudah menarik. Untuk pertanyaan nomor 2, sebesar 100% responden mendukung bahwa aplikasi sistem pakar diagnosa penyakit kulit yang diujikan mudah digunakan oleh pengguna aplikasi. Untuk pertanyaan nomor 3, sebesar 73.33% responden mendukung bahwa aplikasi sistem pakar diagnosa penyakit kulit yang diujikan dapat memberikan informasi mengenai diagnosa penyakit kulit. Untuk pertanyaan nomor 4, sebesar 73.34% responden mendukung bahwa aplikasi sistem pakar diagnosa penyakit kulit yang diujikan dapat menjadi media penanganan dini pada penyakit kulit. Untuk pertanyaan nomor 5, sebesar 80% responden mendukung bahwa penyakit dan gejala yang disajikan pada aplikasi sistem pakar diagnosa penyakit kulit yang diujikan sudah sesuai
dengan kenyataan
.
Hasil dari perhitungan rata-rata keseluruhan jawaban responden terhadap pertanyaan didapatkan nilai 0% untuk jawaban sangat tidak setuju, untuk jawaban tidak setuju sebesar 1.33%, untuk jawaban tidak tahu sebesar 14.01%, untuk jawaban setuju sebesar 64.66% dan untuk jawaban sangat setuju sebesar 19.99%. representasi grafik dari hasil perhitungan jawaban responden disajikan pada Gambar. 10 berikut.
Gambar 10 Grafik persentase rata-rata jawaban responden
Dari Gambar 10 dapat disimpulkan bahwa sebesar 84.65% responden pengguna sistem setuju bahwa aplikasi sistem pakar sudah menarik dari aspek tampilan, mudah digunakan, dapat memberikan informasi mengenai diagnosa penyakit kulit, dapat digunakan sebagai penanganan dini penyakit kulit dan gejala serta penyakit yang disajikan pada aplikasi ini sudah sesuai dengan kenyataan.
VI.KESIMPULAN DAN SARAN
A.Kesimpulan
Kesimpulan yang dapat diambil dari hasil implementasi:
1. Sistem Pakar Diagnosa Penyakit Kulit Berbasis
Website Menggunakan Metode Naive Bayes memiliki beberapa fungsi dan dapat berjalan dengan baik sesuai dengan hasil pengujian Blackbox dan pada pengujian akurasi teoritis dibuktikan dari 10 kasus yang diujikan diperoleh 100% tingkat kesesuaian antara perhitungan manual dengan perhitungan sistem.
2. Sistem Pakar Diagnosa Penyakit Kulit Berbasis
Website Menggunakan Metode Naive Bayes memiliki tingkat akurasi ujicoba dengan pakar sebesar 80% dalam proses diagnosis dengan jumlah 10 penyakit dan 25 gejala.
3. Sistem pakar Diagnosa Penyakit Kulit Berbasis
Website Menggunakan Metode Naive Bayes memiliki tampilan yang menarik, mudah digunakan, dapat memberikan informasi mengenai diagnosa penyakit kulit, dapat digunakan sebagai penangganan dini penyakit kulit dan gejala serta penyakit yang disajikan pada sistem ini sudah sesuai dengan kenyataan dengan persentase 84.65% dari 30 responden.
B.Saran
Dalam pengembangan aplikasi Sistem Pakar Diagnosa Penyakit Kulit Berbasis Website Menggunakan naïve Bayes terdapat beberapa saran yang membangun dari penulis untuk pengembangan dari sistem. Beberapa saran antara lain:
1. Untuk pengembangan selanjutnya, sistem pakar
diagnosa penyakit kulit dapat dikembangkan dengan cara menggabungkan metode naive bayes dengan metode lain seperti deep learning dan lainnya untuk memperoleh hasil yang lebih optimal.
2. Untuk pengembangan selanjutnya, sistem pakar
diagnosa penyakit kulit dapat diterapkan pada platform mobile.
3. Data penyakit, gejala dan kasus lebih diperbanyak
agar sistem lebih baik.
DAFTAR PUSTAKA
[1] S. L. SW. Menaidi, K. Bramono, W. Indriatmi, dkk, Ilmu Penyakit Kulit Dan Kelamin Edisi Ke Tujuh. Jakarta: Balai Penerbit FKUI, 2015.
[2] Hamdani. “Sistem Pakar Diagnosa Penyakit pada Kulit”
[3] A. Saleh. “Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga” Citec Journal, vol. 2, no. 3, pp. 207- 217, 2015. [4] M. Musthofa, Y. W. Syaifidin and M. Astiningrum.
“Pengembangan Sistem Pendukung Keputusan Penjurusan Bagi Siswa Baru Menggunakan Metode Naive bayes”
Seminar Informatika Aplikatif Polinema, vol. 1, no. 1, 2016. [5] V. L. Gumiri, D. Puspitaningrum and Ernawati. “Sistem Pakar Klasifikasi Status Perkembangan Anak Usia Dini Dengan Metode Naïve Bayes Classifer Berbasis DDST Rules” Jurnal Rekursif, vol. 3, no 2, pp. 107-122, 2015. [6] J. Sulaksono and Darsono. “Sistem Pakar Penentuan
Penyakit Gagal jantung menggunakan Metode Naive Bayes Classifier” Seminar Nasional Teknologi Informasi dan Multimedia, vol. 3, no 1, pp. 3.6-19 – 3.6-23, 2015. [7] I. C. Dewi, A. A. Soebroto and M. T. Furqon. “Sistem Pakar
Diagnosa Penyakit Sapi Potong Dengan Metode Naive Bayes” Journal of Environmental Engineering & Sustainable Technology, vol. 2, no. 2, pp.72-78, 2015. [8] D. E. Pritia, A. Y. Husodo and M. A. Albar, “Sistem Pakar
Berbasis Web Untuk Mendiagnosa Penyakit Hewan Ternak Ruminansia Besar.” Journal of Computer Science and
Informatics Engineering (J-Cosine), vol 1, no. 1, pp. 53-58, 2017.
[9] I. W. P. S. Windusara, A. Y. Husodo and A. Zubaidi, “Sistem Pakar Buta Warna Menggunakan Bangun Ruang Berbasis Mobile Dengan Sistem Operasi Android.” Journal of Computer Science and Informatics Engineering (J-Cosine), vol 2, no. 1, pp. 54-63, 2018.
[10]Y. Permana, I. G. P. S. Wijaya and F. Bimantoro. “Sistem Pakar Diagnosa Penyakit Mata Menggunakan Metode Certainty Factor Berbasis Android” Journal of Computer Science and Informatics Engineering (J-Cosine), vol 1, no. 1, pp. 1-10, 2017.
[11]A. Djuanda, dkk. Ilmu Penyakit Kulit Dan Kelamin. Edisi kelima. Jakarta: Balai Penerbit FKUI, 2007.
[12]E. Prasetyo, Data Mining Konsep Dan Aplikasi Menggunakan Matlab. Yogyakarta: Andi, 2012.
